商业银行客户授信评级研究

徐洪明

摘 要：商业银行对客户的授信评级可引入多指标综合评价的思想、理论和方法，实现多指标综合评价与商业银行客户授信评级的有效结合。应根据各种评估技术特有的优势，并结合评估环境状况，选择简单易行、符合银行授信评级特点的评价方法；应注重多种综合评价方法的组合使用，互相补充，从而更好地提高我国商业银行授信评级的可靠性。

关键词：商业银行；授信评级；多指标综合评价

中图分类号：F830.5文献标识码：Ａ文章编号：１００６－３５４４（２０12）０2－００17－03

贷款信用风险管理是商业银行内部风险管理的核心， 其中一个重要内容是对借款人进行信用风险评级，即商业银行在发放贷款之前，首先对借款人不能履约的可能性进行评估， 并把这种可能性划分为几个等级， 以此作为标准来区分借款人资信的优劣，进而做出贷款与否的决定。商业银行对客户的信用状况进行评价， 属于多指标综合评价的范畴，因此，引入多指标综合评价的思想、理论和方法，有利于提高授信评级的准确性、科学性。

一、多指标综合评价在授信评级中的应用

（一） 授信评级中的评价模式分析

综合评价模式大致分为三种类型：

1.“直接评价”。 目前我国商业银行大都采用该种模式，尽管有些商业银行的授信评级与该模式的流程有所出入， 但其思想和本质仍符合直接评价模式。直接评价模式简单易懂、可操作性强。

2. “先分类后评价”。该模式属于排序评价，候选方案的取舍不仅取决于自身，而且取决于其他方案的“状态”，商业银行的信贷行为更多的是取决于客户自身条件与既有标准的比较。因此，该模式很少应用于客户授信评级。

3. “先学习后评价”。实现“学习”，必须具备一定量的样本，样本的质量直接关系到“学习”的效果。商业银行要建立各类客户信用的数据库， 如冶金、化工、机械、贸易等，并用这些已“认可”的知识来评估客户信用状况，神经网络就是此类模式的代表。朱顺泉以广泛采用BP神经网络学习算法为例 [1] ，将评价指标个数定为输入结点数。可将信用状况分为两类，即输出结果为两个， 采用如下的形式表示： 良好（1，0），不良（0，1）；亦可分为五级，中间节点的个数应该小于输入节点数，而大于输出节点数，并通过公式计算确定。同时，确定隐含层、输出层的神经元的传递函数及网络训练的训练次数、精确度、学习速率等参数，将同类企业的已确认的结果作为训练数据，将被评价客户的指标值作为测试数据， 将神经网络优化算法分类程序存放在M文件wl. m中，并在Matlab状态下执行M文件，进而得到评估结果。应用以BP神经网络学习算法为代表的先学习后评价模式， 充分利用已“认可”的数据，结合计算机智能技术， 有效地提高了评级过程的简便性与结果的可靠性。此外，继神经网络之后，又一机器学习领域的方法——支持向量机（SVM）也用于授信评级，Young-Chan Lee [2] Wun-Hwa Chen and Jen-Ying Shih[3] 对此进行了应用研究，Zan Huang等 [4] 则将二者结合起来共同用于授信评级。

对于商业银行而言， 应根据实际条件选择有效的评价模式进行授信评级， 亦可将其他模式作为授信评级的辅助参考， 作为对原有模式的一种补充或验证。

（二）授信评级中的评价要素分析

任何一项综合评价活动的实现都是通过评价要素完成的，评价要素是评价活动的支撑，通常包括评价者、评价指标、指标权重、评价模型、评价对象等 [5-6] 。下面围绕前四个要素，探讨其在授信评级中的具体应用。

1. 评价者分析。授信评级从评价内容上看，既含有“硬评价”（如企业基本素质等）成分，也含有“软评价”（如财务结构等）的成分。相对于“硬评价”，“软评价” 则更依赖于评价者的知识和经验对评价对象做出判断。由于参与授信评级的人员在知识结构、经验等方面有所差异，加之银企之间信息不对称等问题， 因此， 有必要建立有效的信息沟通与反馈机制，实施群组评价。 群组的设置及评价方式是评价活动的关键，也是目前研究的重点，可借鉴评价小组对话式评价等方式，充分集结群体专家的知识与经验，提高授信分析、预测的准确性。群组评价主要体现在指标权重与评价指标值的确定上，同时，要根据群组成员的知识、经验及对企业的了解程度，对评价者赋予不同的评分权重，即引入专家权威因子，实现对评价者的集成。

2. 评价指标分析。 授信评级指标分析包含指标体系的建立、 内部结构的设置及评价指标一致化与无量纲化处理等内容，是授信评级研究的重点。指标体系是对银行客户资信状况的全面反映， 具有综合性的特点。 信用评级指标体系要遵循综合评价指标体系的构建原则，并呈递阶结构列示，其一级指标可用状态向量x=［x1，x2，…，xm］表征。目前，我国部分商业银行已建立各自的授信评级体系， 如中国工商银行的信用评级内容包括领导者素质、经济实力、资金结构、经营效益、信誉状况和发展前景等6个方面； 交通银行的信用评级包括偿债能力、盈利能力、资产管理能力、企业发展潜力、行业状况、管理状况、经营状况和信用状况等8个方面的内容。同时，国内也有研究者针对指标体系做了较为全面的探讨。 如张燕卿[7] 指出现行的评级指标体系存在的问题，即过度偏好规模而忽略其他综合因素， 大多只反映企业过去而忽视未来的偿债能力， 并分析了设计思路及28个二级指标。朱子云 [8] 指出商业银行客户信用等级评判应当综合考虑客户守信程度、 客户财务风险程度和客户经营风险程度三个层次的因素， 应当从信贷资源回报率、 经营成果依存度两个方面进行综合分析和评判， 并提出了客户授信等级评判系统。覃发艳 [9] 汇总了工、农、中、建、交等商业银行的财务评价指标， 建立了商业银行小企业客户评级指标体系，并以湖北省宜昌市为例做了实证研究。关于评价指标， 商业银行应在遵守中国人民银行及银监会相关法规的基础上，从自身的实际出发，建立符合自身特点的授信评级指标，同时应针对不同行业、不同企业规模设置不同的指标体系， 并根据评估环境的变化，适时地进行调整，体现合规性、动态性和及时性。关于指标值（尤其是定性指标），可充分集结评价者知识与经验；在指标值形式上，可尝试采用模糊数等形式，并与其他形式得出的结果进行对比分析，提高授信评级的可靠性。

3. 指标权重分析。目前，部分商业银行进行授信评级时，存在着指标权重“粒度”过大，方法过于简单的现象。由于授信评级多属于“整体”评价，而非排序评价，因此，指标赋权更多地采用主观赋权法。已有研究者采用层次分析法等方法为信贷决策者提供定量的赋权分析技术， 具有较好的科学性和可操作性。 [10] 关于权重，鉴于其重要性，笔者认为应引入群体知识与经验， 将指标权重与评价者要素结合起来，如可采用群体AHP、群体序关系分析法等方法，同时亦可结合某些智能技术如粗糙集（Rough set）算法，将多个客户样本信息利用Rosetta软件进行约简，提取“知识”，找出影响企业信用状况的核心因素，完成对指标权重的优化。

4. 评价模型分析。通过模型y=f（w，x）将各指标合成一个值，以反映银行客户信用的综合状况，其中w称为权重向量，x称为状态向量。 对客户的信用状况做出全面、客观的评估，选择合适的评价模型尤为关键。 目前， 有关商业银行信用量化评级模型的研究，主要有综合打分法、模糊综合评价法和多元统计分析方法，而在商业银行信用评级实践中，部分银行仅采用综合打分法来评定企业的信用等级， 综合评价的方法尚未得到完全开发与应用。理论界的研究成果主要有：王小明 [11] 对目前我国商业银行在信用评级研究中涉及的各种信用测度模型进行了系统的回顾与总结， 对现有各种评级方法的优缺点及适用场合等做了必要的比较研究， 并给出了建立信用风险评级模型的基本设想；尹宗成等 [12] 在对风险、信用风险概念分析的基础上，对国内外主要的信用风险评估方法进行述评； Liang-Hsuan Chen and Tai-Wei Chiou [13] 则将模糊积分（Fuzzy integral）引入到商业贷款信用评级中来， 模糊积分放松了对指标相互独立的苛刻要求，只要求指标满足单调性即可，而授信评级指标具有较强的相关性，因此，采用模糊积分模型可使评价结果更接近客观实际状况。

二、 多指标综合评价在授信评级中的应用创新

通过文献分析发现， 理论界有关商业银行授信评级模型的研究已从传统方法向人工智能方法转化，从单一方法分析向组合方法过渡。但这些方法在走向实践中存在一个问题， 即众多方法属于静态评价方法（基于历史重复的假设），只能反映客户的历史，无法反映其未来的信用变化情况，而借款人未来的财务状况对商业银行来说意义更大。因此，应采用能动态预测借款企业未来信用变化的评估方法。笔者建议可尝试采用“三维立体”评价模型。 [14] “三维”是指“历史维”、“现状维”与“未来维”，此类模型将历史信息、现时状况及未来预测集结在一起，通过y=■?棕tyt给出综合评价值。?棕1，?棕2，?棕3为相应于“历史”、“现状”、“将来”的权重系数，由授信评级专家给出，为授信评级专家对客户未来发展的估测值。 该模型具有注重历史、立足现在、集纳未来的特性，充分利用了商业银行客户在不同时期的发展状况， 评价信息全面，形成了一个“三维”评价结构，具有动态性，符合授信评级的要求。

进行综合评价，并不意味着只注重“整体”，而忽视“局部”，有些客户的综合评价值较高，但部分指标可能存在较低的情况，仍然存在风险隐患。从系统学的角度出发，一个系统的内部如果是协调的，那么系统的整体功效应该是高的；相反，如果系统的内部是不协调的，尽管它在某些方面具有较大的局部功效，但整体效益相对偏低。因此，评价系统的运行状况应注重它的内部整体效益。 多指标综合评价一般采用线性模型集结信息，但对于线性模型而言，评价指标之间具有较强的弥补性，其对“弱指标”并不敏感，即某些较低的指标值可以通过较高的指标值来线性弥补， 而最后的综合评价结果并不能完全反映内部情况，这也是线性模型的主要缺陷。为此可引入状态空间划分理论， [15] 将m维状态空间D按照一定的分类线（既定标准） 划分为三个部分（A、B和C，D=A∪B∪C），根据指标值将指标对应到不同的状态空间。对于落入低水平空间C（各项指标值均低于低标准分类线）的客户基本上不予以考虑，虽然其内部是协调的，但整体效益也是偏低的；对于落入空间A或B（各项指标值均高于“低标准分类线”）的客户可予以考虑；对于落入高水平空间A（各项指标值均高于“高标准分类线”）的客户可优先考虑，而横跨三个空间的客户要具体分析。 只有那些整体效益高且发展协调的客户才是商业银行理想的信贷客户。

四、结语

将多指标综合评价的思想、 理论与方法应用于我国商业银行客户的授信评级， 将有利于促进银行授信评级的科学化，提高银行内部风险管理水平。商业银行实施授信评级应针对各种技术特有的优势，结合评估环境状况， 注重多种综合评价方法的组合使用，继承各自优点，克服缺点，互相补充。随着对数学、统计学、计算机智能等理论与方法的吸收借鉴，将有更多简单易行、 符合银行授信评级特点的综合评价方法引入， 这不仅能有效拓展综合评价技术的应用范围， 更重要的是可以提高我国商业银行授信评级的可靠性。

参考文献：

［1］朱顺泉. 基于Matlab的BP神经网络在现金流量分析中的应用［J］. 中国管理信息化，2008，11（6）：39-40.

［2］Young-Chan Lee. Application of support vector machines to corporate credit rating prediction［J］. Expert Systems with Applications，2007，33（1）：67-74.

［3］Wun-Hwa Chen and Jen-Ying Shih. A study of Taiwans issuer credit rating systems using support vector machines［J］. Expert Systems with Applications，2006，30（3）：427-435.

［4］Zan Huang，Hsinchun Chen，Chia-Jung Hsu，Wun-Hwa Chen and Soushan Wu. Credit rating analysis with support vector machines and neural networks：a market comparative study［J］. Decision Support Systems，2004，37（4）：543-558.

［5］陈衍泰，陈国宏，李美娟. 综合评价方法分类及研究进展［J］. 管理科学学报，2004，7（2）：69-79.

［6］王宗军. 综合评价的方法、问题及其研究趋势［J］. 管理科学学报，1998（1）：73-79.

［7］张燕卿. 商业银行客户信用等级评价指标体系研究［J］. 中国电力教育，2010（3）：265-266.

［8］朱子云. 商业银行客户授信等级评判系统的构想及其应用［J］. 金融论坛，2003（8）：48-53.

［9］覃发艳. 我国商业银行对小企业评级授信的实证研究——以湖北省宜昌市为例［J］. 时代金融，2009（1）：52-54.

［10］鞠鑫，李爽诗. 论专家判断分析法在银行授信业务中的应用问题［J］. 经济师，2008（2）：206-207.

［11］王小明. 商业银行信用风险评级测度方法研究［J］. 财经研究，2005，31（5）：73-82.

［12］尹宗成，田峰，吴永辉. 商业银行信用风险及评估方法应用述评［J］. 安徽农业大学学报（社会科学版），2008，17（5）：24-29.

［13］Liang-Hsuan Chen and Tai-Wei Chiou. A fuzzy credit-rating approach for commercial loans：a Taiwan case［J］. Omega，1999，27（4）：407-419.

［14］王学军，郭亚军. 供应商选择的三维动态组合评价方法及应用［J］. 工业工程与管理，2005（6）：19-22.

［15］郭亚军. 综合评价理论与方法［M］. 北京：科学出版社，2002：16-18.

（责任编辑：李丹；校对：郄彦平）